CN116756588B - 一种同屏手写输入的智能匹配方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种同屏手写输入的智能匹配方法，获取用户手写轨迹坐标位置信息以及x坐标时间序列、y坐标时间序列；获取x、y坐标时间序列各IMF分量并进行小波变换，计算各IMF分量的优化小波系数；根据各IMF重组分量得到IMF重组分量矩阵；根据IMF重组分量矩阵的各奇异值得到表征向量；根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列；计算用户手写输入数据与各样本数据之间的第一相关性因子及第二相关性因子；获取用户手写输入数据与各样本数据的相关性；将相关性最大的样本数据作为用户手写输入的匹配数据，实现用户手写输入数据的智能匹配。从而实现手写输入的智能匹配，具有较高的匹配精度。

Description

一种同屏手写输入的智能匹配方法

技术领域

本申请涉及数据处理领域，具体涉及一种同屏手写输入的智能匹配方法。

背景技术

随着通信及人工智能行业的快速发展，手写输入逐渐涉入各行各业，手写输入的普及也让人机交互取得了进一步发展。手写输入不仅可以推动手机产业的发展，还能带动产业链上相关环节的发展，比如：电子商务合同签署、触摸屏、手写笔以及输入法软件等。在使用手写输入过程中，用户手写输入笔迹的智能匹配识别是至关重要的一步，目前用户手写输入笔迹匹配精度是影响用户体验的关键问题。

因此，本发明提出一种同屏手写输入的智能匹配方法，获取用户手写轨迹信息，并构建手写输入轨迹位置时间序列，通过EMD算法对时间序列进行分解，基于各时间序列的IMF分量集合提取用户手写轨迹特征，根据用户手写笔迹与样本库中各笔迹之间的特征相似度，完成用户手写输入的智能匹配。

发明内容

为了解决上述技术问题，本发明提供一种同屏手写输入的智能匹配方法，以解决现有的问题。

本发明的一种同屏手写输入的智能匹配方法采用如下技术方案：

本发明一个实施例提供了一种同屏手写输入的智能匹配方法，该方法包括以下步骤：

采集用户手写轨迹，根据各时刻对应的用户手写轨迹坐标位置信息得到x坐标时间序列及y坐标时间序列；

采用EMD算法分别对x坐标时间序列、y坐标时间序列进行分解处理得到x坐标时间序列的各IMF分量、y坐标时间序列的各IMF分量；

分别对x坐标时间序列各IMF分量及y坐标时间序列各IMF分量进行小波变换，获取各IMF分量小波系数；根据各IMF分量小波系数得到各IMF分量的优化小波系数；根据各IMF分量的优化小波系数结合小波逆变换得到各IMF重组分量；

根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵；获取x坐标时间序列的IMF重组分量矩阵的各奇异值，根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量；获取y坐标时间序列表征向量；采集用户手写笔迹，根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列；

获取手写输入样本库，根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子；根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子；根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性；

根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，实现用户手写输入数据的智能匹配。

优选的，所述根据各IMF分量小波系数得到各IMF分量的优化小波系数，具体步骤包括：

式中，为x坐标时间序列的第n个IMF分量的第s个小波系数的优化小波系数，为x坐标时间序列的第n个IMF分量的第s个小波系数，e为自然常数，/>为函数关系，/>为大于零的阈值，/>为大于零的控制因子。

优选的，所述根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵，具体步骤包括：

获取x坐标时间序列的各IMF重组分量，将x坐标时间序列的每个IMF重组分量作为IMF重组分量矩阵的每行，得到x坐标时间序列的IMF重组分量矩阵。

优选的，所述获取x坐标时间序列的IMF重组分量矩阵的各奇异值，具体步骤包括：采用SVD算法对x坐标时间序列的IMF重组分量矩阵进行奇异值分解，计算x坐标时间序列的IMF重组分量矩阵的各奇异值。

优选的，所述根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量，具体步骤包括：

获取x坐标时间序列的IMF重组分量矩阵的各奇异值，将x坐标时间序列的IMF重组分量矩阵的各奇异值按照从大到小排序，得到奇异值排序序列，将奇异值排序序列拟合成曲线，获取斜率最大处所对应的奇异值，将该奇异值作为截止值，选取大于截止值的所有奇异值构建一个表征向量，记为x坐标时间序列表征向量。

优选的，所述根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列，具体步骤包括：

采用轮廓检测算法提取用户手写笔迹的轮廓信息，计算用户手写笔迹各轮廓点的曲率，用户手写笔迹所有轮廓点的曲率组成用户手写笔迹轮廓点曲率序列。

优选的，所述根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子，具体表达式为：

式中，为用户手写输入数据与第i个样本数据之间的第一相关性因子，/>为权值因子，/>分别为第i个样本数据的x坐标时间序列表征向量、用户手写轨迹x坐标时间序列表征向量，/>为余弦相似度，/>分别为第i个样本数据的y坐标时间序列表征向量、用户手写轨迹y坐标时间序列表征向量。

优选的，所述根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子，具体表达式为：

式中，为用户手写输入数据与第i个样本数据之间的第二相关性因子，/>为调节系数，DTW{}为DTW距离，e为自然常数，/>分别为第i个样本数据的手写笔迹轮廓点曲率序列、用户手写笔迹轮廓点曲率序列。

优选的，所述根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性，具体步骤包括：

计算用户手写输入数据与各样本数据之间的第一相关性因子；

计算用户手写输入数据与各样本数据之间的第二相关性因子；

将用户手写输入数据与各样本数据之间的第一相关性因子与第二相关性因子的乘积作为用户手写输入数据与各样本数据之间的相关性，表达式为：

式中，为用户手写输入数据与第i个样本数据之间的相关性，/>为用户手写输入数据与第i个样本数据之间的第一相关性因子，/>为用户手写输入数据与第i个样本数据之间的第二相关性因子。

优选的，所述根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，具体步骤包括：计算用户手写输入数据与各样本数据之间的相关性，将相关性最大所对应的样本数据作为用户手写输入的匹配数据。

本发明至少具有如下有益效果：

本发明主要根据用户手写输入过程中手写数据的坐标信息以及手写数据的轮廓信息，对用户手写输入数据特征进行提取，根据用户手写输入数据特征实现对用户手写输入的智能匹配。本发明结合用户手写输入数据的轨迹信息构建x坐标时间序列、y坐标时间序列，可对用户手写输入数据轨迹特征进行表征，本发明结合EMD算法分别对用户手写输入数据的两个时间序列进行分解，并对各IMF分量中的噪声分量进行抑制，解决了噪声对用户手写输入特征分析的影响，提高了用户手写输入数据特征提取精度，通过对时间序列的分解提高了用户手写输入数据特征分析效率；本发明通过SVD算法获取用户手写输入数据各时间序列的IMF重组分量矩阵所对应的表征向量，能够对用户手写输入数据特征进行精确表征，降低数据分析成本，提高特征提取速度，减少计算量；

同时，本发明结合用户手写输入数据的表征向量以及轮廓曲率序列对用户手写输入数据特征进行表征，具有较高的用户手写输入数据特征提取精度，进而提高用户手写输入智能匹配准确性，保证用户手写输入智能匹配效果。本发明具有用户手写输入数据特征提取可信度高、匹配较为准确等有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种同屏手写输入的智能匹配方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种同屏手写输入的智能匹配方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种同屏手写输入的智能匹配方法的具体方案。

本发明一个实施例提供的一种同屏手写输入的智能匹配方法。

具体的，提供了如下的一种同屏手写输入的智能匹配方法，请参阅图1，该方法包括以下步骤：

步骤S001，采集用户手写轨迹以及手写输入笔迹，作为用户手写输入智能匹配的基础。

本实施例主要通过用户手写输入过程中的轨迹特征以及输入笔迹特征，对用户手写输入特征进行表征，并与样本库中各样本之间的特征相似度分析实现用户手写输入的智能匹配。因此，首先获取用户手写输入过程中的手写轨迹，也即获取每个时间所对应的手写轨迹的坐标位置信息，得到x坐标时间序列以及y坐标时间序列，序列中的数据分别为用户手写过程中各轨迹点的x坐标、y坐标；同时，采集用户手写输入的完整笔迹，用与对用户手写输入内容进行智能匹配。需要说明的是，用户手写轨迹的获取可通过现有技术实现，不在本实施例保护范围内，在此不做相关详细一一阐述。

至此，即可根据本实施例上述方法获取用户手写输入过程中的手写轨迹位置信息以及手写笔迹，得到x坐标时间序列、y坐标时间序列。

步骤S002，构建用户手写输入数据特征提取模型，对用户手写输入数据特征进行提取，并根据用户手写输入数据特征对用户手写输入进行智能匹配。

根据用户手写输入过程中的手写轨迹位置信息以及手写笔迹，本实施例将对用户手写输入进行分析及特征提取，以便对用户手写输入进行智能匹配。因此，本实施例将构建用户手写输入特征提取模型，用于对用户手写输入特征进行表征，用户手写输入特征提取模型具体过程为：

首先，本实施例将对用户手写输入过程中手写轨迹对应的x坐标时间序列、y坐标时间序列进行分析，为提高特征提取效率，本实施例将采用EMD算法分别对x坐标时间序列、y坐标时间序列进行分解处理，EMD算法以及分解过程为现有公知技术，不在本实施例保护范围内，在此不做一一详细阐述，本实施例以x坐标时间序列为例进行详细说明特征提取过程，通过EMD算法对x坐标时间序列进行分解后，可得到N个x坐标时间序列的IMF分量，用于对用户手写输入过程中用户手写输入数据的x坐标信息特征进行表征；

进一步，本实施例考虑到对x坐标时间序列进行分解之后，各IMF分量中存在噪声影响，因此，本实例将对各IMF分量中的噪声分量进行去除，以提高用户手写输入数据的特征提取精度。首先，对x坐标时间序列各IMF分量进行小波变换，需要说明的是小波变换具体过程为现有公知技术，可通过现有技术实现；然后本实施例将根据小波变换后各小波系数对噪声分量进行检测，传统大多通过给定阈值对小波系数进行判定，以识别噪声所对应的小波系数，但是传统设定小波系数硬阈值不具有灵活性，阈值设定太绝对将会出现小波逆变换重构后的信息出现突变、明显震荡的情况，传统设定小波系数软阈值虽然弥补了硬阈值函数在阈值处突变、不连续的缺点，经过软阈值函数去噪处理后得到的信号会相对平滑，但是通过软阈值去噪处理后信号的小波系数与原始信号的小波系数存在较大偏差，容易导致部分有用信号丢失，一定程度上影响重构信号的精度以及原始信号的还原度，因此，本实施例将对小波系数阈值进行优化设定，以准确将各IMF分量中的噪声分量消除，优化小波系数表达式为：

式中，为第n个IMF分量的第s个小波系数的优化小波系数，/>为x坐标时间序列的第n个IMF分量的第s个小波系数，e为自然常数，/>为函数关系，/>为大于零的阈值，实施者可自行设定，本实施例设定为/>，/>为大于零的控制因子，用于控制小波系数的缩放程度，实施者可自行设定，本实施例设定为/>；

根据本实施例上述小波系数优化函数可实现对各IMF分量的小波系数进行自适应优化，保证对存在噪声的分量进行抑制，提高用户手写输入数据x坐标时间序列各IMF分量的信号可靠度，提高各IMF分量的数据精度；

重复上述方法，对x坐标时间序列各IMF分量的小波系数均进行小波系数优化处理，得到优化后的小波系数，进一步根据小波逆变换得到x坐标时间序列各IMF分量所对应的IMF重组分量，各IMF重组分量中可有效抑制噪声分量的影响，具有较高的数据纯度；

重复上述方法，获取用户手写输入数据y坐标时间序列各IMF重组分量，用于对用户手写输入数据y坐标时间序列特征进行准确表征；

但是，本实施例考虑到IMF重组分量数据量较大，数据分析速度慢，不能够对用户手写特征进行明确表征，因此，为提高用户手写特征检测效率，提高用户手写特征提取速度，本实施例将通过SVD算法对x坐标时间序列的IMF重组分量进行进一步处理，首先，将x坐标时间序列的各IMF重组分量作为矩阵的每行，可得到x坐标时间序列的IMF重组分量矩阵；然后结合SVD算法对x坐标时间序列的IMF重组分量矩阵进行奇异值分解，获取x坐标时间序列的IMF重组分量矩阵所对应的各奇异值，奇异值的数量与x坐标时间序列IMF分量个数相同。进一步，本实施例考虑到较大奇异值能够体现矩阵中的关键性信息，包含矩阵的主要信息，而较小奇异值则主要对应噪声信息，因此，本实施例将奇异值按照从大到小排序，得到奇异值排序序列，将奇异值排序序列拟合成曲线，获取斜率最大处所对应的奇异值，将该奇异值作为截止值，选取大于截止值的所有奇异值构建一个表征向量，用于对用户手写输入数据的x坐标时间序列进行特征表征；

重复上述方法，获取y坐标时间序列所对应的表征向量；

进一步，为提高用户手写输入智能匹配精度，本实施例将对用户手写笔迹进行轮廓检测，并基于用户手写笔迹轮廓信息得到用户手写笔迹上各轮廓点的轮廓变化特征，需要说明的是，用户手写笔迹轮廓提取可通过现有技术实现。对于用户手写笔迹轮廓，本实施例将计算各轮廓点的曲率，得到曲率序列，用于对用户手写输入笔迹的数据轮廓特征进行表征；

至此，即可根据本实施例上述方法对用户手写输入数据进行特征提取，用于对用户手写输入数据进行特征表征，作为用户手写输入智能匹配的参考信息。

同时，根据本实施例上述特征提取方法获取样本库中各样本数据的特征，用于对样本库中各样本数据的特征进行表征，以便对用户手写输入数据进行匹配识别。需要说明的是，样本库中样本数据的构建实施者可自行选取样本数据，也即可自行设定样本库中所包含的手写输入内容，具体可通过现有技术构建，不在本实施例保护范围内。进一步，根据用户手写输入数据特征对用户手写输入与各样本数据的相关性进行计算；

首先，本实施例根据用户手写输入数据x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子，表达式为：

式中，为用户手写输入数据与第i个样本数据之间的第一相关性因子，/>为权值因子，实施者可自行设定取值，本实施例中/>，/>分别为第i个样本数据的x坐标时间序列表征向量、用户手写轨迹x坐标时间序列表征向量，/>为余弦相似度，分别为第i个样本数据的y坐标时间序列表征向量、用户手写轨迹y坐标时间序列表征向量。第一相关性因子越大，则用户手写输数据与样本数据之间的相似程度越高，越匹配；

然后，本实施例根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子，表达式为：

式中，为用户手写输入数据与第i个样本数据之间的第二相关性因子，/>为大于零的调节系数，用于控制手写笔迹轮廓点曲率序列与第二相关性因子之间的关系，实施者可自行设定，本实施例设定为/>，DTW{}为DTW距离，e为自然常数，/>分别为第i个样本数据的手写笔迹轮廓点曲率序列、用户手写笔迹轮廓点曲率序列，需要说明的是，DTW距离的计算方法为现有公知技术，不在本实施例保护范围内，不做相关详细一一阐述；

本实施例将根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性，计算用户手写输入数据与各样本数据之间的第一相关性因子；计算用户手写输入数据与各样本数据之间的第二相关性因子；然后将用户手写输入数据与各样本数据之间的第一相关性因子与第二相关性因子的乘积作为用户手写输入数据与各样本数据之间的相关性，表达式为：

式中，为用户手写输入数据与第i个样本数据之间的相关性，/>为用户手写输入数据与第i个样本数据之间的第一相关性因子，/>为用户手写输入数据与第i个样本数据之间的第二相关性因子。相关性越大，则用户手写输入数据与对应样本数据之间的匹配程度越高；

重复上述方法，获取用户手写输入数据与样本库中各样本数据之间的相关性；

最后，本实施例将根据用户手写输入数据与各样本数据之间的相关性得到用户手写输入的匹配结果，本实施例中将相关性最大所对应的样本数据作为用户手写输入的匹配数据，实现对用户手写输入数据的智能匹配。

综上所述，本发明实施例主要根据用户手写输入过程中手写数据的坐标信息以及手写数据的轮廓信息，对用户手写输入数据特征进行提取，根据用户手写输入数据特征实现对用户手写输入的智能匹配。本发明实施例结合用户手写输入数据的轨迹信息构建x坐标时间序列、y坐标时间序列，可对用户手写输入数据轨迹特征进行表征，本发明结合EMD算法分别对用户手写输入数据的两个时间序列进行分解，并对各IMF分量中的噪声分量进行抑制，解决了噪声对用户手写输入特征分析的影响，提高了用户手写输入数据特征提取精度，通过对时间序列的分解提高了用户手写输入数据特征分析效率；本发明实施例通过SVD算法获取用户手写输入数据各时间序列的IMF重组分量矩阵所对应的表征向量，能够对用户手写输入数据特征进行精确表征，降低数据分析成本，提高特征提取速度，减少计算量；

同时，本发明实施例结合用户手写输入数据的表征向量以及轮廓曲率序列对用户手写输入数据特征进行表征，具有较高的用户手写输入数据特征提取精度，进而提高用户手写输入智能匹配准确性，保证用户手写输入智能匹配效果。本发明实施例具有用户手写输入数据特征提取可信度高、匹配较为准确等有益效果。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种同屏手写输入的智能匹配方法，其特征在于，该方法包括以下步骤：

采集用户手写轨迹，根据各时刻对应的用户手写轨迹坐标位置信息得到x坐标时间序列及y坐标时间序列；

采用EMD算法分别对x坐标时间序列、y坐标时间序列进行分解处理得到x坐标时间序列的各IMF分量、y坐标时间序列的各IMF分量；

分别对x坐标时间序列各IMF分量及y坐标时间序列各IMF分量进行小波变换，获取各IMF分量小波系数；根据各IMF分量小波系数得到各IMF分量的优化小波系数；根据各IMF分量的优化小波系数结合小波逆变换得到各IMF重组分量；

根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵；获取x坐标时间序列的IMF重组分量矩阵的各奇异值，根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量；获取y坐标时间序列表征向量；采集用户手写笔迹，根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列；

获取手写输入样本库，根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子；根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子；根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性；

根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，实现用户手写输入数据的智能匹配；

所述根据各IMF分量小波系数得到各IMF分量的优化小波系数，具体步骤包括：

式中，为x坐标时间序列的第n个IMF分量的第s个小波系数的优化小波系数，/>为x坐标时间序列的第n个IMF分量的第s个小波系数，e为自然常数，/>为函数关系，/>为大于零的阈值，/>为大于零的控制因子；

所述根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子，具体表达式为：

式中，为用户手写输入数据与第i个样本数据之间的第一相关性因子，/>为权值因子，/>分别为第i个样本数据的x坐标时间序列表征向量、用户手写轨迹x坐标时间序列表征向量，/>为余弦相似度，/>分别为第i个样本数据的y坐标时间序列表征向量、用户手写轨迹y坐标时间序列表征向量；

所述根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子，具体表达式为：

式中，为用户手写输入数据与第i个样本数据之间的第二相关性因子，/>为调节系数，DTW{}为DTW距离，e为自然常数，/>分别为第i个样本数据的手写笔迹轮廓点曲率序列、用户手写笔迹轮廓点曲率序列。

2.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵，具体步骤包括：

获取x坐标时间序列的各IMF重组分量，将x坐标时间序列的每个IMF重组分量作为IMF重组分量矩阵的每行，得到x坐标时间序列的IMF重组分量矩阵。

3.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述获取x坐标时间序列的IMF重组分量矩阵的各奇异值，具体步骤包括：采用SVD算法对x坐标时间序列的IMF重组分量矩阵进行奇异值分解，计算x坐标时间序列的IMF重组分量矩阵的各奇异值。

4.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量，具体步骤包括：

获取x坐标时间序列的IMF重组分量矩阵的各奇异值，将x坐标时间序列的IMF重组分量矩阵的各奇异值按照从大到小排序，得到奇异值排序序列，将奇异值排序序列拟合成曲线，获取斜率最大处所对应的奇异值，将该奇异值作为截止值，选取大于截止值的所有奇异值构建一个表征向量，记为x坐标时间序列表征向量。

5.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列，具体步骤包括：

采用轮廓检测算法提取用户手写笔迹的轮廓信息，计算用户手写笔迹各轮廓点的曲率，用户手写笔迹所有轮廓点的曲率组成用户手写笔迹轮廓点曲率序列。

6.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性，具体步骤包括：

计算用户手写输入数据与各样本数据之间的第一相关性因子；

计算用户手写输入数据与各样本数据之间的第二相关性因子；

将用户手写输入数据与各样本数据之间的第一相关性因子与第二相关性因子的乘积作为用户手写输入数据与各样本数据之间的相关性，表达式为：

式中，为用户手写输入数据与第i个样本数据之间的相关性，/>为用户手写输入数据与第i个样本数据之间的第一相关性因子，/>为用户手写输入数据与第i个样本数据之间的第二相关性因子。

7.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，具体步骤包括：计算用户手写输入数据与各样本数据之间的相关性，将相关性最大所对应的样本数据作为用户手写输入的匹配数据。